Python 在DF中取消虚拟变量的最有效方法

在下面的截图中，我们有3个不同的能源站点，ID01、ID18和ID31。它们是一种虚拟变量类型的格式，出于可视化目的，我只想创建一个名为“Sites”的列，我可以使用它。你会看到我很快就做了一个循环，但它似乎效率非常低。关于如何以最快的方式实现这一点，有什么建议吗

设置

---

dot

带字符串和对象的产品。 如果这些是真正的虚拟值

0

或

1

def undummy(d):
    return d.dot(d.columns)

data.assign(Site=data.filter(regex='^ID').pipe(undummy))

   ID01  ID18  ID31  A  B  Site
0     1     0     0  1  2  ID01
1     0     1     0  1  2  ID18
2     0     0     1  1  2  ID31
3     1     0     0  1  2  ID01
4     0     1     0  1  2  ID18

---

argmax

切片 这是可行的，但如果数据不是问题中所表示的，则可能会产生意外的结果

def undummy(d):
    return d.columns[d.values.argmax(1)]

data.assign(Site=data.filter(regex='^ID').pipe(undummy))

   ID01  ID18  ID31  A  B  Site
0     1     0     0  1  2  ID01
1     0     1     0  1  2  ID18
2     0     0     1  1  2  ID31
3     1     0     0  1  2  ID01
4     0     1     0  1  2  ID18

安装程序

---

dot

带字符串和对象的产品。 如果这些是真正的虚拟值

0

或

1

def undummy(d):
    return d.dot(d.columns)

data.assign(Site=data.filter(regex='^ID').pipe(undummy))

   ID01  ID18  ID31  A  B  Site
0     1     0     0  1  2  ID01
1     0     1     0  1  2  ID18
2     0     0     1  1  2  ID31
3     1     0     0  1  2  ID01
4     0     1     0  1  2  ID18

---

argmax

切片 这是可行的，但如果数据不是问题中所表示的，则可能会产生意外的结果

def undummy(d):
    return d.columns[d.values.argmax(1)]

data.assign(Site=data.filter(regex='^ID').pipe(undummy))

   ID01  ID18  ID31  A  B  Site
0     1     0     0  1  2  ID01
1     0     1     0  1  2  ID18
2     0     0     1  1  2  ID31
3     1     0     0  1  2  ID01
4     0     1     0  1  2  ID18

---

如果你想最大限度地获得答案，最好是共享基于文本的数据集。。。我们无法在不重新创建图像的情况下处理图像中的数据，这太麻烦了。idxmax成功了，谢谢。如果您想最大限度地获得答案，最好共享基于文本的数据集。。。我们无法在不重新创建图像的情况下处理图像中的数据，这太麻烦了。idxmax工作正常，谢谢。感谢您花时间作出如此彻底的响应！不客气！很高兴为您提供帮助。@justinzin如果答案有帮助，请确保对其进行投票。如果答案解决了您的问题，请将其标记为已接受，以便我们可以将线程标记为已解决。在大数据帧上，使用该选项比使用

点

（我用100000行数据帧对两种方法进行计时，

dot

平均耗时约0.016秒，

np。其中

平均耗时约0.00681秒）感谢您花时间做出如此彻底的响应！欢迎您！很高兴能提供帮助。@Justinzin如果答案有帮助，请不要确保对其进行投票，如果它解决了您的问题，请将其标记为已接受，以便我们可以将线程标记为已解决。在大数据帧上，它的使用速度比

dot

（我用100000行数据帧对两种方法进行计时，

dot

平均耗时约0.016秒，

np。其中

平均耗时约0.00681秒）